بهینه سازی شبکه های عصبی عمیق در تشخیص بیماری ها

تشخیص زودهنگام سرطان سینه، به عنوان شایع ترین سرطان در میان زنان، از اهمیت بالایی برخوردار است و ماموگرافی تکنیک استاندارد تصویربرداری برای این منظور محسوب می شود. خطای انسانی در تفسیر تصاویر ماموگرافی چالش هایی نظیر تشخیص های مثبت یا منفی کاذب ایجاد می کند. این پژوهش با هدف بهبود دقت تشخیص سرطان سینه از طریق بهینه سازی شبکه های عصبی کانولوشنی عمیق انجام شده است. روش پیشنهادی، مبتنی بر یک رویکرد نوین بهینه سازی هایپرپارامترها با استفاده از ترکیب یادگیری Q و بهینه سازی بیزی، توسعه یافته است. این روش با هدف تنظیم بهینه توپولوژی شبکه، ویژگی های پیچیده تصاویر ماموگرافی را استخراج کرده و دقت طبقه بندی را افزایش داده است. عملکرد روش پیشنهادی بر روی دو مجموعه داده DDSM و MIAS ارزیابی شده و از نظر معیارهای دقت، حساسیت، ویژگی و ماتریس آشفتگی با روش های موجود مقایسه شده است. نتایج نشان دهنده برتری قابل توجه روش پیشنهادی در طبقه بندی دقیق سرطان سینه است.

کلیدواژه ها:

تشخیص سرطان ، سرطان سینه ، شبکه های عصبی کانولوشنال ، بهینه سازی هایپرپارامترهای شبکه های عصبی عمیق